[論文レビュー] Autoencoder for Interconnect's Bandwidth Relaxation in Large Scale MIMO-OFDM Processing

Messaoud Ahmed Ouameur, Daniel Massicotte|arXiv (Cornell University)|Jul 29, 2019

Radio Frequency Integrated Circuit Design参考文献 17被引用数 4

ひとこと要約

本稿では、リモートラジオヘッドと中央処理ユニット間の帯域幅を16倍に削減するために、信号を低次元の潜在コードに圧縮する自己符号化器を用いる手法を提案する。送信側のラジオユニットで自己符号化器を用い、受信側の中央ユニットで復号器を用いることで、性能劣化を最小限に抑えつつ信号を再構築できる。さらに反復検出を用いることで性能劣化を緩和し、帯域幅効率と計算複雑度の実用的なトレードオフを実現する。

ABSTRACT

Deep learning is playing an instrumental role in the design of the next generation of communication systems. In this letter, we address the massive MIMO interconnect's bandwidth constraint relaxation using autoencoders. The autoencoder is trained to learn the received signal structure so that a low dimension latent variable is transferred as opposed to the original high dimension signal. For an efficient implementation, the approach suggests to separately deploy the autoencoder components, namely the encoder and the decoder, in massive MIMO radio head and central processing units respectively. The simulation results show that one can relax the interconnect's bandwidth by a factor of up to 16 with non-substantial performance degradation of the centralized and the decentralized processing. Fortunately, such a loss can be compensated by running few extra iterations in the detection process which renders the autoencoder-iterative detection an interconnect's bandwidth and computational complexity design trade-off.

研究の動機と目的

• 大規模MIMO-OFDMシステムにおける高帯域幅のインターコネクトボトルネックを解消すること。
• リモートラジオヘッドと中央処理ユニット間のデータレートを低減すること。
• 深層学習を用いた巨大MIMOシステムにおける信号圧縮の可能性を検討すること。
• インターコネクト帯域幅の削減とシステム性能劣化のトレードオフを評価すること。
• 自己符号化器のコンponentsをラジオユニットと中央ユニットに分散配置する実装を提案すること。

提案手法

• 自己符号化器をトレーニングし、受信したMIMO-OFDM信号の統計的構造を学習する。
• エンコーダーをラジオユニットに配置し、高次元信号を低次元の潜在コードに圧縮する。
• デコーダーを中央ユニットに配置し、潜在コードから元の信号を再構築する。
• 再構築誤差を補償するために反復検出を用いる。
• 自己符号化器を実際のMIMO-OFDM信号分布に基づいてエンドツーエンドでトレーニングする。
• ハードウェア実装の効率性を考慮し、エンコーダーとデコーダーのアーキテクチャを分離する。

実験結果

リサーチクエスチョン

• RQ1 自己符号化器はMIMO-OFDM信号を効果的に圧縮し、インターコネクト帯域幅を削減できるか？
• RQ2 性能劣化が顕著に現れない範囲で、最大どれほどの帯域幅削減が達成可能か？
• RQ3 再構築誤差は、集中処理と分散処理の両方の検出性能にどのように影響を与えるか？
• RQ4 反復検出は、圧縮によって生じる性能劣化を補償できるか？
• RQ5 帯域幅の節約と計算複雑度のトレードオフはどのように変化するか？

主な発見

• 提案手法は、インターコネクト帯域幅を最大16倍に削減できる。
• 集中処理および分散処理の両方の検出方式において、圧縮による性能劣化は顕著でない。
• 検出プロセスに追加の数回の反復を実行することで、性能劣化を効果的に補償できる。
• 分散型自己符号化器アーキテクチャにより、最小限のオーバーヘッドで実用的な展開が可能である。
• インターコネクト帯域幅と計算複雑度の両者に対する妥当なトレードオフを提供する。
• 実験結果から、巨大MIMOシステムにおける効率的な信号圧縮に深層学習を応用する可能性が示された。